Spring AI 1.0.0-M7 版本中模型启动器命名变更解析
2025-06-11 21:47:57作者:卓艾滢Kingsley
在Spring AI项目升级到1.0.0-M7版本后,开发者可能会遇到模型启动器依赖不可用的问题。本文将详细解析这一变更背后的技术原因,并指导开发者如何正确使用新版本的依赖配置。
命名规范变更背景
Spring AI团队在1.0.0-M7版本中对项目结构进行了优化调整,其中最重要的变化之一就是统一了模型启动器的命名规范。这一变更旨在使项目结构更加清晰,便于开发者理解和使用。
新旧命名对比
在早期版本中,模型启动器的命名模式为:
spring-ai-{model}-spring-boot-starter
而在1.0.0-M7及后续版本中,新的命名模式调整为:
spring-ai-starter-model-{model}
以Mistral AI为例:
- 旧版本:spring-ai-mistral-ai-spring-boot-starter
- 新版本:spring-ai-starter-model-mistral-ai
变更带来的优势
- 命名一致性:新的命名模式更加统一,便于记忆和使用
- 结构清晰:通过"starter-model"的命名方式,明确表示了这是一个模型相关的启动器
- 扩展性强:为未来可能添加的其他类型启动器预留了命名空间
升级建议
对于正在升级项目的开发者,建议采取以下步骤:
- 检查项目中所有Spring AI相关的依赖
- 将所有模型启动器的依赖按照新规范进行更新
- 确保版本号统一为1.0.0-M7
- 重新构建项目并测试功能
常见模型启动器示例
以下是几个常见模型在新旧版本中的依赖配置对比:
Mistral AI
<!-- 旧版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-mistral-ai-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
<!-- 新版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-mistral-ai</artifactId>
<version>1.0.0-M7</version>
</dependency>
Ollama
<!-- 旧版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
<version>1.0.0-M6</version>
</dependency>
<!-- 新版本 -->
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-ollama</artifactId>
<version>1.0.0-M7</version>
</dependency>
总结
Spring AI 1.0.0-M7版本的命名规范变更是项目成熟过程中的重要一步,虽然短期内可能会给升级带来一些困扰,但从长远来看,这种更规范的命名方式将提高项目的可维护性和易用性。开发者应及时更新项目依赖,以适应这一变化。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
229
259
暂无简介
Dart
680
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
493